Graficas incluidas
Para data revisada se realiza y se busca la mejor correlacion entre
las variables
pairs.panels(rt[,2:4], method = "pearson", hist.col = "magenta", density = FALSE, font=1)
corPlot(rt , cex = 0.5, main = "Matriz de correlación")
al obtener una correlacion mas baja mediante Pearson intentaremos
mediante Spearman
obtuvimos una correlacion de 0.649
Buscamos relacion grafica
ggplot(rt, aes(x=sgr, y=o2)) +
geom_point() + theme_light()
ggplot(rt, aes(x=sem, y=o2)) +
geom_point() + theme_light()
ggplot(rt, aes(x=sgr, y=temp)) +
geom_point() + theme_light()
Aun no puede darse una respuesta clara de cual podria ser la mejor
correlacion
##Muestre el efecto de las variables independientes con respecto a la
variable dependiente.
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'
La variable Sgr por lo que se puede ver es que depende claramente de
O2 y temperatura .
##obtendremos las estimaciones de los parametros estadisticos##
##
## Call:
## lm(formula = sgr ~ o2, data = rt)
##
## Coefficients:
## (Intercept) o2
## -1.2128 0.2602
En la salida anterior se observan los valores estimados de ??0 y ??1
pero no aparece la estimacion de ?? Para obtener una tabla de resumen
con detalles del modelo ajustado, se usa la funcion generica summary
##
## Call:
## lm(formula = sgr ~ o2, data = rt)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.20260 -0.24981 -0.07131 0.16356 1.50738
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.21280 0.16107 -7.53 2.8e-13 ***
## o2 0.26020 0.01993 13.05 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.3881 on 451 degrees of freedom
## Multiple R-squared: 0.2743, Adjusted R-squared: 0.2727
## F-statistic: 170.4 on 1 and 451 DF, p-value: < 2.2e-16
Para incluir la recta de regresion que representa el modelo ajustado
anterior…
la regresion lineal no se ajusta de buena manera a la nube de
datos
utilizaremos regresion multiple
a medida que aumenta la temperatura, aumenta el SGR y en condiciones
de mayor o2
##
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
##
## last_plot
## The following object is masked from 'package:stats':
##
## filter
## The following object is masked from 'package:graphics':
##
## layout
## No scatter3d mode specifed:
## Setting the mode to markers
## Read more about this attribute -> https://plotly.com/r/reference/#scatter-mode
la grafica anterior confirma los aprecia anteriormente, el color mas
claro muestra los puntos mas optimos.
#basandonos en el modelo 3d, la expresion que se ajusta es:
##
## Call:
## lm(formula = sgr ~ o2 + temp, data = rt)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.27840 -0.24930 -0.08086 0.18735 1.48631
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.73268 0.38872 -4.457 1.05e-05 ***
## o2 0.27823 0.02338 11.898 < 2e-16 ***
## temp 0.03266 0.02223 1.469 0.143
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.3876 on 450 degrees of freedom
## Multiple R-squared: 0.2777, Adjusted R-squared: 0.2745
## F-statistic: 86.52 on 2 and 450 DF, p-value: < 2.2e-16
Para incluir el plano de regresion que representa el modelo ajustado
anterior
Se crea el grafico 3d y se guarda en un objeto, por ejemplo mi_3d
podemos ver que en la grafica 3D la regresion se ajusta de mejor
manera los a ambas variables una dependeiente de la otra.
haca ya llevamos a un plano la regresion mostrando la mejosr
concordancia entre el O2 y el Sgr.
